손실 없는 시드의 언어와 소픽 서브시프트

초록

이 논문은 Hamming 거리 k 이하의 문자열 매칭을 완전하게 보장하는 ‘손실 없는 시드’를 형식 언어 이론과 동적 시스템 관점에서 분석한다. 시드 집합이 k와 시드 마진 ℓ(=m−|Q|)에 의해 완전히 정의되는 소픽 서브시프트와 일치함을 증명하고, 따라서 유한 자동기로 인식 가능함을 보인다. 또한 최적 시드의 마진 ℓ은 문자열 길이 m에 대해 ℓ∈Θ(m^{k/(k+1)})라는 비대칭적 성장 법칙을 만족한다.

상세 분석

논문은 먼저 생물정보학에서 널리 사용되는 ‘스페이시드(seed)’ 개념을 형식 언어와 심볼릭 다이내믹스의 용어로 재정의한다. 알파벳 A={#,–} 위의 유한 단어 Q를 시드라 하고, Q의 ‘무게’는 #의 개수, ‘시드 마진’ ℓ은 비교 문자열 길이 m에서 Q의 길이를 뺀 값으로 정의한다. (m,k)-문제는 길이 m의 두 문자열이 Hamming 거리 k 이하일 때 반드시 Q의 # 위치가 오류 위치와 겹치지 않도록 하는 ℓ+1개의 정렬 중 하나가 존재함을 의미한다.

핵심 정리는 Q가 오류 조합 {i₁,…,i_k}를 위치 t에서 탐지한다는 조건을, 무한 이진 문자열 w=···–|–ℓQ–···에 대해 시프트 연산 σ_{i_j}와 논리 OR 연산 ⊕을 적용한 결과가 ℓ−t 구간에서 ‘-’만으로 이루어지는지 여부와 동등하게 변환한다(정리 1). 이는 시드 탐지를 ‘다중 시프트된 문자열의 OR 패턴’으로 보는 새로운 시각을 제공한다.

다음으로 저자는 k개의 무한 문자열을 입력받아 OR 연산 후 연속된 #의 최대 길이를 반환하는 함수 sh_k를 정의한다. sh_k(u₁,…,u_k)≤ℓ인 경우를 (ℓ;k)-유효 문자열이라 하고, 이러한 문자열들의 집합 V_{ℓ,k}를 구성한다. 중요한 점은 V_{ℓ,k}가 시프트 연산에 불변이며 폐쇄된 집합, 즉 소픽 서브시프트를 형성한다는 것이다. 따라서 시드 집합 Seed_{ℓ,k}={Q | Q는 (|Q|+ℓ,k)-문제를 해결}는 V_{ℓ,k}의 유한 길이 인자들의 언어와 동일하며, 소픽 서브시프트의 언어는 유한 자동기로 인식 가능함을 즉시 얻는다.

또한 최적 시드의 무게 w(m)와 마진 ℓ(m) 사이의 관계를 분석한다. 기존 연구에서 w(m)는 m−w(m)∈Θ(m^{k/(k+1)})임이 알려졌으며, 논문은 ℓ(m)도 동일한 차수의 Θ-범위에 있음을 보인다(명제 1). 이는 ℓ이 최적 시드 설계에서 핵심 파라미터이며, ℓ이 작을수록 시드의 무게가 커져 선택성이 향상된다는 직관과 일치한다.

마지막으로 저자는 이러한 이론적 결과를 이용해 시드 설계 알고리즘을 간소화하고, 주기적 패턴(예: 완전 자, 차이 집합) 기반 시드가 왜 효율적인지를 설명한다. 소픽 서브시프트가 ‘주기적 구조’를 자연스럽게 포함하므로, 최적 시드가 짧은 패턴의 반복으로 구성될 가능성을 이론적으로 뒷받침한다.

요약하면, 손실 없는 시드 문제는 k와 ℓ에 의해 완전히 파라미터화된 소픽 서브시프트와 동등하며, 이는 유한 자동기로 인식 가능하고, 최적 시드의 마진은 문자열 길이와 k에 대한 특정 비율을 만족한다는 중요한 통찰을 제공한다.